决策

深度精读华盛顿大学论文——首次系统研究 LLM Agent 的’弃权’问题：当任务不可行时，智能体是否知道该停下而非继续行动？在 28,000+ 任务上评估 13 个 LLM-as-Agent 系统，发现核心挑战不是’能不能弃权’而是’何时弃权’。提出的 CONVOLVE 上下文工程方法仅用 20 条轨迹就将 Llama-3.3-70B 的及时弃权率从 26.7% 提升至 57.4%，且小模型蒸馏的规则可跨模型迁移。

深度精读马里兰大学 + Adobe Research 合作论文——首次将 LLM Agent 工具调用消歧从非结构化自然语言空间搬到结构化工具参数空间。提出基于 EVPI 的结构化不确定性建模框架，SAGE-Agent 在模糊任务上覆盖率提升 7-39%、澄清问题减少 1.5-2.7 倍；不确定性引导奖励建模让 3B 模型超越 7B 标准训练。